2009年11月24日 星期二

掌握潛在顧客 以網際探勘(Web Mining)幫助決策判斷

掌握潛在顧客 以網際探勘(Web Mining)幫助決策判斷
目前許多電腦軟體結合了網路伺服器(server)和資料庫( database ) 所記錄的網站訪客上網資料或網站消費者的交易資料,提供「統計性質」的匯總報表,例如,加總來自不同入口網站的訪客數目,可以提供資訊讓網站經營者了解,哪一個入口網站帶來的訪客最多,或者計算不同的產品在網站上所得到的利潤 ( ROI ) 有多少,讓網站經營者知道哪一項產品在網站上賣得最好等等,這些報表提供歷史資料累計和加總的功能,有助於了解過去經營的情況,而網際探勘 ( Web Mining ) 則是幫助經營者來進行決策性的判斷。

資料探勘 ( data mining )
資料探勘(data mining)是一項電腦應用領域的新名詞,當人類還在茹毛飲血的上古時代早已進行著資料探勘的行為,為了快速準確捕獲大量獵物,人類的祖先必須細心觀察獵物的習性,並預測獵物的行為,才能戰勝獵物,存活下去。同樣的,在講究即時,競爭激烈的網路時代,如果能事先破解消費者在網路上的行為模式,這將會是贏得電子商務的關鍵因素之一。資料探勘通常是離線 ( Off-line ) 產生模式,但模式產生後則可應用於即時系統(註一)。

◎資料探勘與統計的不同處
資料探勘著重在「辨識模式(pattern recognition)」上,這不同於一般使用統計的目的,舉例來說,假如你在網路上販賣辣椒醬,統計可以幫助你加總過去銷售的資料,像是每月的銷售總額,女性和男性消費者個別在本月的消費總額,來自不同網域的消費者在本月的消費總額,不同年齡層的消費者在本月的消費總額等等,而資料探勘工具可以透過過去所有消費者在網站上留下的資料,綜合過濾後,發現像下列一樣的規則:
如果 訪客的網域是 140.138
並且 訪客的性別是 男性
並且 訪客的年齡介於 37~42歲則 這個訪客可能購買辣椒醬的機率是 81\%因此只要有符合上述規則的訪客進入你的網站,你就可以得到一個結論:他會購買辣椒醬的機率很高。如此一來就可以掌握在你的網站上消費機率較高的顧客,進行各項關聯式行銷方法 ( 個人式的電子郵件,個人式的網站廣告)

◎資料探勘的技術
目前資料探勘的技術可以利用各種的電腦應用領域的人工智慧方法:遺傳基因法(Genetic Algorithms),類神經網路(Neural Networks),模糊理論(Fuzzy Logic) 或Case-Based Reasoning等等,不管用哪一方法最終的目的都是要找出消費者的消費行為模式(consuming behavior patterns),再利用這個模式進行目標市場行銷(target marketing),因此可以將模式放入網路伺服器,與伺服器的網頁結合,每當有符合模式內某個規則的訪客進入網站,就產生對應的行銷手法,或者將模式放入郵件伺服器,針對不同的族群消費者寄送不同的電子郵件等。

資料探勘應用範例-消費者行為模式 資料探勘通常是離線(off-line)產生模式,因此必須先從網站伺服器的下載所有有關的資料(會員基本檔案、會員網上消費檔、會員網上行為檔、伺服器log檔等...),資料會經過兩個步驟:

1. 彙整和篩選:
這個步驟會將來自不同檔案的資料匯總成一筆筆以會員為主體的資料記錄,彙整中若發現資料記錄中有資料錯誤或遺漏的地方,就要加以補正(例如,消費者沒有在網站上採買任何商品,資料記錄中可能出現空格,因此必須填上預設值;或者原本是整數的資料欄位出現文字,就必須加以改正),接著剔除和模式無關的資料項(column)(例如,找尋消費者消費行為模式,消費者的身分證號碼與消費行為模式無關,因此就要剔除這項資料)。

2. 正規化的過程:
將資料編譯成資料探勘工具得以接受處理的格式,一般資料探勘工具通常只處理數值性的資料,所以文字性的資料要事先做轉換的工作。不同的資料探勘工具會應用不同的技術(Genetic Algorithm,Neural Network......) ,產生的結果也會因不同的應用對象而不同,產生給伺服器的結果應為可結合的元件軟體,產生給企劃人員的結果應為可理解的敘述性規則。誰可以從中獲利?

資料探勘可以從大量的歷史資料中找出超值的行銷資訊。也許很多人會問:我們現在有一些資料,但是可以從裏面得到什麼有用的資訊呢?以下舉一些例子讓您知道我們可以從不同的資料為您做些什麼事:

1. 如果您知道誰是您的顧客,他們所在地區、年齡、性別…等個人資料,以及何時花了多少錢買什麼商品的記錄,資料探勘就可以幫您:

*建立行銷模式實踐個人化行銷,給不同的顧客適合的產品及服務,貼心的服務還能讓您的顧客自動幫您做「口水行銷」,好的口啤傳千里,帶來更多的商機。

*建立潛在客戶的名單,協助您決定該聯絡多少潛在客戶才可以讓投資報酬率最高,並產生最好的潛在客戶名單。

*將市場區隔利用易懂的規則來描述(像是低於35歲及年收入100萬元以上),如此您可以很快地知道那些顧客是您最重要的利潤來源。

2. 如果您有記錄顧客對您銷售活動的反應(有或沒有回應),那麼資料探勘就可以幫助您:

*利用個人資料及銷售狀況與其它資訊來產生行銷模式,以能精確地預測潛在客戶回應行銷活動的可能性。

*應用此模式到郵遞名單來排名,決定您需要聯絡多少潛在客戶並從您最佳的潛在客戶產生新的名單。

*確認對最佳客戶與潛在客戶最具代表性的變數

*快速區隔市場,確定那些才是最有利的目標市場

3. 如果您知道那些顧客已經不再消費或一段時間沒消費了,您就可以建立行銷模式來預測目前有那些顧客可能會跑掉。您可以使用這些訊息來留住最好的顧客或是成為篩選潛在客戶的依據。

資料探勘使用的技術決策樹 (Decision Tree)
決策樹是一項建立分類模式(classification models)的方式之一,針對給定的資料利用歸納的方式產生樹狀結構的模式。為了要將輸入的資料分類,決策樹的每一個節點即為一個判斷式,判斷式針對一個變數去判斷輸入的資料大於或等於或小於某個數值,每一個節點因而可以將輸入的資料分成若干類。

決策樹不一定比其他模式建立的技術來的準確,但與其他技術相比,決策樹很容易讓人了解,因此大為有用,舉例來說,決策樹常用來找尋購買特定產品的顧客類別,由於決策樹可以讓使用者立刻得到可以理解的結果,使用者便可利用這項結果進行後續動作。

類神經網路 (Neural Network)
類神經網路(Neural Networks)是指模仿生物神經網路的資訊處理系統,它使用大量簡單而相連的人工神經元(Neuron)來模擬生物神經網路的能力。由於類神經網路具有高速運算、記憶、學習與過濾雜訊、容錯等能力,因此能夠解決許多複雜的分類、預測等問題。

像從前精明的店員只要看看顧客的穿著、打扮大概就可以猜到給這顧客什麼樣的產品就是八九不離十了。現在網上開店不太可能再去請店員來處理這些事了,但是服務依舊是重要的,我們需要一種工具或技術可以協助我們做到,類神經網路就可以當起店員的角色。

基因演算法 (Genetic Algorithms)
基因演算法(Genetic Algorithms)是一種新的資料探勘技術,它通常實際被應用於為實體的經銷商來做商店的設計與後勤的安排,也常常與類神經網路這樣技術來做結合的應用。在美國的Wal-Mart與Amazon就分別利用它來做倉管與網站經銷的最佳化。它是一種最佳化空間搜尋法,其最初概念是由John Holland於1975年提出,其主要目的如下:
1. 以嚴密而具象的科學方法解釋自然界「物競天擇、適者生存」的演化過程。
2. 將生物界中遺傳演化重要機制以資訊科學軟體實作模擬。 由達爾文進化論的觀點來看,物種靠不斷的演化而產生最適合生存的下一代。基因演算法即是由此一論點出發,模擬自然界的演化方式,對既定問題求取最佳解。它是應用演算法的適應函數來決定搜尋的方向,再運用一些擬生物化的人工運算過程,例如選擇(selection)、複製(reproduction)、交配(crossover)和突變(mutation)等進行演化,週而復始地進行一代一代的演化,以求得一個最佳的結果。

而許多的實驗證明,基因演算法係一兼重效率與效能的搜尋方法,且可被廣泛的應用在許多的問題上。 在網站的實際應用中,使用基因演算法可以幫助店家來設計他們整個的產品與服務的虛擬商店,而這種情形就像是實際的商店對他們的存貨來做管理一樣,故利用基因演算法在電子商務中做網站設計是最有效益的。

例如,如何提供最佳的產品線組合來刺激使用者去點選廣告?怎樣的網頁安排與順序可以帶來最多的收益?怎樣的網頁內容安排可以達到最高的點選率?或者是怎樣的產品組合可以為網站增加收益?

基因演算法即是由此一論點出發,模擬自然界的演化方式,對既定問題求取最佳解。它是應用演算法的適應函數來決定搜尋的方向,再運用一些擬生物化的人工運算過程,例如選擇(selection)、複製(reproduction)、交配(crossover)和突變(mutation)等進行演化,週而復始地進行一代一代的演化,以求得一個最佳的結果。

而許多的實驗證明,基因演算法係一兼重效率與效能的搜尋方法,且可被廣泛的應用在許多的問題上。 在網站的實際應用中,使用基因演算法可以幫助店家來設計他們整個的產品與服務的虛擬商店,而這種情形就像是實際的商店對他們的存貨來做管理一樣,故利用基因演算法在電子商務中做網站設計是最有效益的。

例如,如何提供最佳的產品線組合來刺激使用者去點選廣告?怎樣的網頁安排與順序可以帶來最多的收益?怎樣的網頁內容安排可以達到最高的點選率?或者是怎樣的產品組合可以為網站增加收益?

達到最大的廣告效果
怎樣的網頁廣告在版面的安排上可以造成使用者的點選率最高,是網站經營者最關心的。為使整體的廣告點選率高,網頁的廣告配置最佳化的安排就很重要,安排的愈好廣告的效益愈大。

達到最佳促銷效果
促銷的商品種類眾多,如何在有限的頁面中去陳設這些商品的安排,以達到使用者購買率最高,進而獲得更高的銷售金額,故促銷專區之商品陳設安排最佳化將可以達到最佳的促銷效果。

案例式推理 (Case-Based Reasoning)
案例式推理(Case-Based Reasoning ; CBR)是透過改編那些解決舊問題的方法來嘗試解決新問題,也就是利用尋找相似案例的推理法,找到解決舊問題的方法來適用於解決新的問題。

例如早晨開車上班遇到塞車,我們會根據以前曾走過不塞車的路線來繞道,或者嘗試走一條不曾走過的路線,如果沒有遇到塞車,那麼我們便會將這一條路線記憶下來,下次遇到相似情況塞車,我們便可以嘗試此路線避開塞車的情況。CBR的概念也就是這樣的想法而產生的,故它可以依據過去的經驗案例來幫我們推理新案例的發展情形,故是一個不錯的資料探勘技術。

案例推理的作法是首先先做一問題的描述(Presentation),再從Case-Base中找出最類似的Case(Retrieval),即使挑選出最類似的Case也不可能完全相同,故要依照Case的Solution再作調整(Adaptation),再將調整出的結果與使用者或大環境來證實(Validation/Test),如果適當,則被證實的結果將會被增加到Case-Base中(Feedback)。

故案例推理它是一種較接近真實人類決策的過程,它可以自動的合併新的知識到現存的知識庫,創造Case-base是比創造Knowledge-base快速,而且它的速度很快,不需等所有Case都建置好才能使用,故其也不需要瞭解先前的Solution為什麼成功,是一個在概念上也容易被接受的資料探勘技術。

在案例式推理的概念應用於電子商務的網站經營上,我們可以經由對應過去使用者的回應來推測新使用者的行為,例如「根據以往的案例顯示,使用者會點選這個網站」,故CBR蠻適用於為使用者提供服務上,使網站經營者更了解使用者的行為趨向。

判斷新商品的市場接受度
在新商品的推出之際,為了能夠得知新商品的市場接受程式度,故我們就可以藉由以前案例的推論或是利用學習經驗法則來預測顧客是否會購買該新商品,以決定新商品的推出與否。

推測新廣告的推出顧客是否有興趣
網站經營者可以藉由預估新廣告的點選率來與過去的經驗做衡量,推測出新廣告的推出使用者是否會點選,以決定新廣告的推出與否。資料探勘的方法有很多,每一種都有其適用的時機,而我們考量的主軸是如何解決實際電子商務會遇到的問題,只有解決問題才是我們的重點,創造最高利潤更是我們不斷努力的目標。並且對不同的管理者與分析人員提供適用的報表。做預估就一定會有誤差,世上沒有百分之百的預測模式,但為了因應環境複雜,競爭快速的網路成長,具有一個能找出模式的利器,就能擁有更多的勝算把握。

結語
資訊時代的競爭,瞬息間就會產生相當大的變化。資訊的洪流引導著網際網路的發展,網站的經營也是一樣;時時刻刻有網站成立,分分秒秒之間更有無數的網站消失。有人如此形容未來網站的數量,將有如天上的繁星,多的數不完。

如果這句話是真的,那網站該怎樣經營才會是最亮的一顆星? 網站經營成功之道並沒有捷徑可言,企業主擁有網站分析工具,如同聘請一位專業的經理人參與網站的經營;這只是開始,Internet這條路上還有一段需要披荊斬棘的路等待你我的開拓。

在隨時整理歷史、分析統計之餘,應當善用資訊預測將來,及早規劃網站的經營走向,否則任何毫無依據的網站經營策略,終將會引導網站走向淘汰與失敗的一方。有心經營網站的企業主,不可不慎哪!

註一: 例如在高互動性的電子商務網站中,則可利用所產生的模式來做即時互動行銷。

沒有留言:

張貼留言